注册

Bi-FORK：面向高维分岔系统的生成式建模框架

论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

一篇 arXiv 论文提出 Bi-FORK，用于学习高维物理系统中一对多的解映射。在对称破缺分岔处，同一输入对应多个同样成立的解，与多数学习型物理代理的一对一假设冲突。Bi-FORK 通过潜空间流匹配生成完整轨迹，保持空间与时间连贯性，并用排斥引导采样在一次摊销式前向中恢复不同解分支。作者在屈曲梁、机械超材料和 Allen-Cahn 相分离上评估，覆盖连续、离散与场值分岔，离散化规模最高 26 万点，能恢复多峰解结构，规模较此前方法提升数个数量级。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

要解决的问题

物理系统中的分岔现象广泛存在，从结构屈曲到流体与气候动力学都有，但在深度学习领域此前少有涉及。论文指出，在对称破缺分岔处，单个输入会对应多个同样有效的解，这与大多数学习型物理代理所依赖的一对一映射假设相矛盾。作者把这类问题定义为高维系统中的一对多解映射学习，并认为这是现有代理模型难以覆盖的场景。Bi-FORK 的定位就是为这类映射提供生成式建模方案。

方法构成

Bi-FORK 采用潜空间流匹配来生成完整轨迹，其设计目标是同时保持空间与时间上的连贯性，而不是逐点独立预测。在此基础上，框架使用排斥引导采样，在一次摊销式前向过程中恢复出彼此不同的解分支。论文强调这种一次前向即可得到多个分支的能力，与需要反复采样或逐分支求解的做法形成区别。摘要未给出网络结构、训练细节或采样步数等更具体的信息。

评测与规模

作者在三个任务上评估 Bi-FORK：屈曲梁、机械超材料以及 Allen-Cahn 相分离。这三类任务分别对应连续、离散与场值分岔，覆盖面较广。算例的离散化规模最高达到 26 万点。论文称 Bi-FORK 能够恢复多峰解结构，并且在规模上比此前方法高出数个数量级。摘要没有披露与具体基线方法的逐项对比数值，也没有给出精度指标。

适用边界

从摘要看，Bi-FORK 面向的是高维分岔物理系统，属于科学机器学习与计算物理的交叉方向。论文将其贡献表述为把生成式建模扩展到这类系统。需要留意的是，摘要中未提及代码或模型是否开源、是否有可复现的发布渠道，也未说明方法在分岔之外的常规一对一场景中表现如何。这些信息需要查阅全文才能确认。

为什么值得看

把生成模型用于高维分岔的一对多解映射，并给出最高 26 万点的算例，对科学机器学习方向有参考价值。

论文

信源1 家

  1. [1]arXiv cs.AI一手信源Bi-FORK: Generative Modeling of High-Dimensional Bifurcating Systems

关键事实

  • 论文标题为 Bi-FORK: Generative Modeling of High-Dimensional Bifurcating Systems，2026 年 10 月 8 日提交至 arXiv。[1]

  • Bi-FORK 通过潜空间流匹配生成完整轨迹，并用排斥引导采样恢复不同解分支。[1]

  • 评估任务包括屈曲梁、机械超材料和 Allen-Cahn 相分离，覆盖连续、离散与场值分岔。[1]

  • 算例离散化规模最高达 26 万点，规模较此前方法提升数个数量级。[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论